Nicholas Christakis: Jak sociální sítě předpovídají epidemie

Posledních 10 let trávím čas tím, že se snažím zjistit, jak a proč se lidé sdružují v sociálních sítích. Sociálními sítěmi, které mám na mysli, nejsou současné online sítě, ale ty sociální sítě, ve kterých se lidé sdružují po stovky tisíc let, od té doby co jsme se objevili na afrických savanách. Takže, navazuji přátelství, vztahy s kolegy, sourozenecké a příbuzenské vztahy s ostatními lidmi, kteří mají obdobné vztahy s dalšími lidmi. A to se jde dál a dál. Získáme síť, která vypadá takto. Každý bod je jeden člověk. Každá čára představuje vztah mezi dvěma lidmi -- různé typy vztahů. Získáte tak rozsáhlou spleť lidstva, jehož jsme všichni součástí.

S kolegou Jamesem Fowlerem už delší dobu studujeme, jaká jsou matematická, společenská, biologická a psychologická pravidla, která určují, jak jsou tyto sítě sestavovány, a stejně tak pravidla určující jak fungují a jak ovlivňují naše životy. Poslední dobou jsme přemýšleli, jestli by bylo možné využít těchto poznatků při hledání způsobů jak zlepšit svět, něco zlepšit, něco opravdu vylepšit, nejen tomu porozumět. Jedna z prvních věcí, na které jsme se rozhodli zaměřit, je jak předpovídat epidemie.

Současný způsob předvídání epidemií -- jste-li CDC (Centrum kontroly a prevence chorob) či jiné národní centrum -- je být uprostřed a sbírat údaje od lékařů a laboratoří v dané oblasti, kteří referují o rozšíření nebo výskytu určitých podmínek. Ti a ti pacienti byli s něčím diagnostikováni, ti pacienti byli diagnostikováni [tady], a všechny tyto údaje se s jistým zpožděním shromažďují v centrálním archivu. A jde-li vše hladce, budete ode dneška za týden či dva vědět, kde byla epidemie dnes. Vlastně, asi tak před rokem byl spuštěn projekt Google Flu Trends (Google vývoj chřipky), kde na základě toho, jak a co dnes lidé vyhledávají, můžeme říct, že chřipka … jaký je dnešní stav epidemie, jak je epidemie rozšířená právě dnes.

Nyní bych vám však chtěl ukázat způsob, díky němuž bychom mohli získat nejen rychlé varování před epidemií, ale rovněž možnost odhalit nákazu v jejím začátku. Tento způsob může být použit nejen k předvídání epidemií bacilů, ale k předvídání nákaz nejrůznějšího druhu. To znamená vše, co se může šířit mezi lidmi formou společenské nákazy, od abstraktních idejí, nalevo, jako je vlastenectví, altruismus nebo náboženství k zvyklostem jako jsou diety, nákup knih, pití alkoholu, používání cyklistické helmy a jiné bezpečnostní praktiky, nebo zboží, které si lidé mohou koupit, nákup elektroniky, cokoliv, co se může šířit mezilidskými vztahy. Jakékoliv šíření inovací může být chápáno a předpovídáno způsobem, který vám teď ukážu.

Jak asi všichni víte, klasicky se používá model "šíření inovací" neboli křivka osvojení. Zde, osa Y znázorňuje procento ovlivněných lidí a na ose X máme čas. Na úplném začátku je jen velmi málo ovlivněných lidí, získáme tuto klasickou sigmoidu, neboli křivku ve tvaru S. Tento tvar má díky tomu, že na úplném začátku je řekněme jeden nebo dva lidé, kteří jsou tím něčím zasaženi nebo nakaženi, ti pak to pak přenesou dál a nakazí další dva, kteří pak následně nakazí 4, 8, 16 lidí, a tak dál, a tak získáte vzrůstající fázi křivky epidemie. A nakonec nasytíte populaci. Je zde méně a méně lidí, které ještě stále můžete infikovat, a to je moment, kdy je křivka opět rovná, a vznikne tak tato klasická sigmoidní křivka. To platí po bacily, ideje, osvojení zboží, chování, a tak podobně. Ale věci se nešíří lidskou populací náhodně. Ve skutečnosti se šíří skrze sítě. Jak jsem již řekl, žijeme v sítích a tyto sítě mají určitou strukturu.

Teď, když se podíváte na síť jako je tato... Toto je 105 lidí. Ty čáry představují ... body jsou lidé a čáry představují přátelské vztahy. Můžete vidět, že lidé se nachází na různých místech v rámci sítě. A vztahy mezi lidmi mají nejrůznější charakter. Můžete mít přátelský či sourozenecký vztah, manželský nebo pracovní vztah, sousedský vztah, a tak dále. A různé věci se šíří prostřednictvím odlišných vazeb. Například, sexuálně přenosné choroby se budou šíří sexuálními vazbami. Nebo třeba vztah lidí ke kouření může být ovlivněn jejich přáteli. Jejich altruismus či ochota přispívat na charitu mohou být ovlivněny jejich spolupracovníky či sousedy. Ne všechna postavení v rámci sítě jsou totožná.

Podíváte-li se sem, okamžitě si všimnete, že různí lidé mají odlišný počet vazeb. Někteří mají jednu vazbu, jiní dvě, někteří šest a jiní deset. Tomu se říká "stupeň" uzlového bodu, čili množství vazeb, které daný uzel má. A pak je tu ještě jedna věc. Když se podíváte na uzel A a B, oba mají šest vazeb. Ale podíváte-li se na tento obrázek z ptačího pohledu, uvědomíte si, že mezi uzlem A a B je velký rozdíl. Takže se vás zeptám -- trochu to tou otázkou rozvinu -- kým byste chtěli být, kdyby se sítí šířila smrtelná bakterie, A nebo B? (Publikum: B) Nicholas Christakis: B, samozřejmě. B se nachází na okraji sítě. Teď, kým byste chtěli být, kdyby se sítí šířil šťavnatý drb? A. Okamžitě vám je jasné, že A má mnohem větší šanci dostat to, co se šíří, a že to dostane rychleji díky své pozici v rámci dané struktury sítě. Ve skutečnosti je 'A' mnohem více v centru, což může být vyjádřeno matematicky. Takže pokud chceme sledovat to, co se šíří sítí, ideálně bychom měli umístit senzory na jedince, kteří jsou v centru sítě, včetně uzlu A, sledovat tyto osoby, jež jsou v centru sítě, a tím nějak včasně odhalit to, ať už je to cokoliv, co se šíří sítí.

Takže, kdybyste viděli, že mají nějaký bacil nebo informaci, věděli byste, že časem ten bacil nebo tu informaci budou mít i všichni ostatní. Tohle by bylo mnohem lepší než sledovat šest náhodně vybraných jedinců bez ohledu na strukturu dané populace. Takže pokud byste to udělali, uviděli byste něco takovéhoto. Nalevo máme opět esovitou křivku osvojení. Červeně tečkovaná linie ukazuje, jaké by bylo osvojení u náhodného vzorku, a křivka nalevo, posunutá doleva, ukazuje, jaké by bylo osvojení v případě jedinců uprostřed sítě. Osa Y ukazuje narůstající případy nákazy a osa X znázorňuje čas. Napravo máme ty samé údaje, které tentokrát ukazují výskyt podle dní. Zde vidíte -- třeba tady -- jen několik málo lidí je zasaženo, víc, víc a víc až sem, a toto je vrchol epidemie. Křivka posunutá doleva ukazuje situaci u jedinců v centru. A tento rozdíl v čase mezi těmito dvěma křivkami říká, jak včasné odhalení či upozornění můžeme získat o epidemii šířící se populací.

Problémem ovšem je, že ne vždy je možné mapovat lidské společenské sítě. Může to být drahé, obtížné, neetické, nebo to prostě není proveditelné. Takže, jak můžeme zjistit, kdo jsou lidé ve středu sítě, aniž bychom tu síť mapovali? Napadalo nás využít starou známou skutečnost, známý fakt o společenských sítích, který říká: Víte, že vaši přátelé mají více přátel než vy? Vaši přátelé mají více přátel než vy. To je označováno jako paradox přátelství. Představte si velmi oblíbeného člena společenské sítě -- třeba hostitele party, který má stovky přátel -- a misantropa, který má jen jednoho přítele, a náhodně vyberte několik lidí z populace. Je mnohem větší šance, že budou znát daného organizátora party. Pokud oni označí tohoto hostitele jako svého přítele, tento hostitel má stovky přátel, takže má více přátel než oni sami. A to je v podstatě to, čemu se říká paradox přátelství. Přátelé náhodně vybraného vzorku mají vyšší stupeň a jsou více v centru, než jedinci z náhodného vzorku samotní.

Což je zřejmé ve chvíli, kdy si představíte pouze lidi na obvodu dané sítě. Pokud vyberete tuto osobu, ta může jako svého přítele označit pouze tuto osobu, která musí mít, vzhledem ke struktuře, alespoň dva, ale většinou více přátel. K tomu dochází na každém okrajovém uzlu. To se děje v celé sítí, jak se pohybujete směrem ke středu, když náhodně vybraný člověk označí svého přítele, dostanete se blíže ke středu sítě. Tak jsme si řekli, že využijeme tuto teorii, abychom zjistili, jestli můžeme předvídat jevy v rámci sítí. Na základě této ideje totiž můžeme vzít náhodný vzorek, který označí své přátele, a ti budou blíže středu, to můžeme dělat, aniž bychom tu síť museli mapovat.

Rozhodli jsme se to otestovat, když propukla chřipka H1N1 na harvardské koleji na podzim a v zimě 2009, což je před pár měsíci. Náhodně jsme vybrali 1300 vysokoškoláků, nechali jsme je označit své přátele a denně jsme sledovali jak náhodně vybrané studenty tak jejich přátele, abychom viděli, jestli tu chřipku mají nebo nemají. Pasivně jsme sledovali, zda byli či nebyli v univerzitním zdravotnickém středisku. Také jsme je požádali, aby nám několikrát za týden poslali email. Stalo se přesně to, co jsme předpověděli. Náhodný vzorek je červená linka. Epidemie u skupiny 'přátelé' se posunula doleva, zde. Rozdíl mezi těmito dvěma skupinami je 16 dní. Sledováním skupiny 'přátelé' bychom získali varování před blížící se epidemii v lidské populaci o 16 dní dříve.

Navíc, jste-li analytik, který se snaží studovat nějakou nákazu, nebo například předvídat osvojení produktu, můžete vzít náhodný vzorek populace, nechat je vybrat své přátele a sledovat tyto přátele, sledovat jak náhodný vzorek, tak skupinu 'přátelé'. Jakmile by v případě 'přátel' vzskočila křivka osvojení inovace nad nulu znamenalo by to, že nastupuje epidemie. Nalevo můžete vidět, kdy se ty dvě křivky poprvé rozchází. Kdy se přátelé odtrhnou a nechají náhodný vzorek za sebou a kdy se jejich křivka začne posouvat? To, což ukazuje bílá linka, nastalo 46 dní před vyvrcholením epidemie. Takže tímto způsobem můžeme získat upozornění na epidemii chřipky v konkrétní populaci víc než měsíc a půl předem.

Měl bych říct, že to jak moc dopředu dostaneme na něco upozornění, záleží na množství faktorů. Může to záležet na povaze patogenu -- u různých patogenů, použitím této techniky, můžete dostat různá varování -- nebo dalších jevech, které se šíří, strukturou lidské sítě. V našem případě, i přestože to nebylo nutné, jsme mohli rovněž mapovat síť studentů.

Tahle mapa zobrazuje 714 studentů a jejich přátelské vztahy. Za dám tu mapu do pohybu. Uvidíte situaci den po dni, po dobu 120 dní. Červené body budou případy chřipky, a žluté body budou přátelé lidí s chřipkou. Velikost každého bodu je úměrná počtu přátel s chřipkou. Je-li bod větší, znamená to, že máte více přátel, kteří mají chřipku. Když se podíváte na tento obrázek -- 13. září -- uvidíte, že se rozzáří několik případů. Uprostřed uvidíte jakýsi rozkvět chřipky. Toto je 19. října. Svažování křivky epidemie se blíží, tady, v listopadu. bum, bum, bum, bum, bum, uvidíte velký rozkvět uprostřed, a pak uvidíte jakousi stabilizaci, méně a méně případů ke konci prosince. Tento typ vizualizace může ukázat, že epidemie, jako je tato, mají základy a působí jako první na osoby uprostřed, předtím než zasáhnou ostatní.

Jak jsem již naznačoval, tato metoda neplatí pouze na bacily, ale na vše, co se šíří populací. Informace se šíří populací. Normy se mohou šíří populací. Chování se může šířit populací. Chováním mám na mysli, například kriminální jednání, nebo jak lidé volí, jak se starají o své zdraví například vztah ke kouření, očkování, nebo osvojování produktů, či jiná jednání, která souvisí s tím, jak se lidé ovlivňují mezi sebou. Chci-li udělat něco, co bude mít vliv na lidi kolem mě, tato metoda mě může upozornit nebo včasně odhalit osvojení v rámci populace. Má-li to fungovat, klíčovým faktorem je přítomnost mezilidského vlivu. Nemůže to být postaveno na nějakém vysílání, které působí na všechny jednotně.

Tato zjištění můžeme použít -- s ohledem na síť -- můžeme použít i jinými způsoby, například pro zacílení těch, kteří by měli být zasaženi či vybráni. Například, většina z vás je nejspíše obeznámena s pojmem imunita stáda. Takže, máme-li skupinu čítající tisíc obyvatel. a chceme, aby tito obyvatelé byli imunní vůči určitému patogenu, nemusíme očkovat všechny jedince v dané skupině. Oočkujeme-li 960 z nich, je to, jako bychom oočkovali sto [procent]. I kdyby se jeden nebo dva z těch, kteří nebyli očkování, nakazili, oni sami nemají koho nakazit. Jsou obklopeni oočkovanými. Takže 96 procent je stejně dobrých jako 100 procent. Jiní vědci odhadli, co by se stalo, kdybyste vzali náhodný vzorek 30% z 1000 lidí, tedy 300 lidí a oočkovali je. Je možné, aby pak daná skupina byla imunní? Odpověď je ne. Ale pokud vezmete těchto 300 lidí, a necháte je nominovat své přátele, budete mít stejné množství vakcín jako předtím, a oočkujete jen přátele těch náhodných 300 lidí, tedy 300 přátel, získáte stejnou úroveň stádové imunity, jako byste oočkovali 96 procent dané populace, s větší účinností a s omezeným rozpočtem.

Podobně lze například určit, jak distribuovat například moskytiéry v rozvojových zemích. Když porozumíme struktuře vztahů ve vesnicích můžeme určit jedince, které zplnomocníme, aby měli dané šíření na starosti. Nebo pro reklamu a různé produkty. Pochopíme-li, jak určit cíl, můžeme ovlivnit účinnost toho, čeho se snažíme dosáhnout. Takto, můžeme použít údaje z nejrůznějších zdrojů.

Toto je mapa 8 milionů uživatelů mobilů v jedné z evropských zemí. Každý bod je osoba a každá linka představuje množství hovorů mezi těmito lidmi. Tyto údaje, které jsme získali pasivně, můžeme použít k zmapování těchto zemí a k pochopení, kdo se nachází kde v rámci této sítě. Aniž bychom museli s kýmkoliv mluvit, můžeme zjistit, jaká je struktura dané sítě. Dalším zdrojem takovýchto informací, což si určitě uvědomujete, je výměna emailů, online interakce, online sociální sítě, a tak dále. Nacházíme se v době, kterou bych mohl nazvat "masivně pasivní" snahou o sběr dat. Jsou zde různé způsoby, jak můžeme použít masově získaná data k vytvoření senzorů v síti, abychom sledovali danou populaci a pochopili, k čemu v této populaci dochází, a mohli tak zasáhnout a přispět ke zlepšení. Protože nové technologie nám nejen řeknou, kdo mluví s kým, ale také kde se kdo nachází, a podle toho, co zveřejňují na internetu, co si myslí, a podle toho co kupují, podle jejich předešlých nákupů. Všechny takovéto informace mohou být shromážděny a použity k pochopili lidského jednání způsobem, jaký do té doby nebyl možný.

Mohli bychom například použít údaje o nákupu paliva autodopravci. Takže autodopravce dělá svou práci, a kupuje palivo. My vidíme, že autodopravcův nákup paliva vyskočil nahoru, a víme, že recese brzo skončí. Nebo můžeme monitorovat rychlost, s jakou se lidé s telefony pohybují na dálnici, takže telefonní společnost může vidět, že se rychlost snižuje, takže je tam dopravní zácpa. Tyto informace pak mohou zpět poskytnout svým klientům, ale pouze těm, kteří jsou na té samé dálnici mířící k té dopravní zácpě! Můžeme pasivně sledovat, jak doktoři předepisují léky, a uvidíme, jak se nové farmaceutické produkty šíří v rámci [sítě] doktorů. Opět, můžeme monitorovat, jak lidé nakupují a sledovat jak se takové jevy mohou šířit v rámci populace.

Zde jsou tři způsoby, jak tato masivně pasivní data mohou být použita. První je zcela pasivní, jak jsem již popsal -- třeba ten příklad autodopravců, kde vlastně vůbec nezasahujeme do dané populace. Druhý je napůl aktivní, jako příklad chřipky, který jsem uvedl, kde necháme určité lidi nominovat své přátele, a pak pasivně sledujeme tyto přátele -- mají chřipku, nebo ne? -- až dostaneme varování. Další příklad by byl, jste-li telefonní společnost, zjistíte, kdo je v centru sítě, a zeptáte se jich: "Můžete nám každý den poslat SMS se svou tělesnou teplotou? Jen nám pošlete svou teplotu." Sbíráte rozsáhlé informace o teplotě lidí, ale od lidí, kteří jsou ve středu. A jste schopni, ve velkém měřítku, monitorovat hrozící epidemii s jen minimálním vkladem informací od lidí. A nakonec třetí, který je aktivní -- následující řečník o tom dnes bude rovněž mluvit -- kde se lidé mohou globálně účastnit ve wiki systémech, nebo fotografování, monitorování voleb, a nahrávání údajů způsobem, který nám umožňuje sdílet informace za účelem porozumět sociálním procesům a společenským jevům.

Myslím, že dostupnost těchto údajů, ohlašuje určitou novou éru, něčeho, co bych spolu s ostatními chtěl označit jako "výpočetní společenské vědy". To je jako když Galileo vynalezl -- nevynalezl -- začal používat telescop a uviděl nebe novým způsobem, nebo Leeuwenhoek, který začal používat mikroskop -- -- vlastně vynalezl -- pohlédl na biologii novým způsobem. Nyní máme přístup k těmto údajům, které nám umožňují pochopit společenské procesy a společenské jevy zcela novým způsobem, který do té doby nebyl možný. S touto znalostí můžeme pochopit, jak přesně celek může být větší než součet jeho částí. Dokonce můžeme použít tyto zjištění ke zlepšení společnosti a lidského blahobytu.

Děkuji.